Rethinking superpixel segmentation from biologically inspired mechanisms

要約

最近、深層学習ベースのスーパーピクセル セグメンテーション手法の進歩により、セグメンテーションの効率とパフォーマンスの両方が向上しました。
ただし、特に表面間の色の相関がオブジェクトに干渉する可能性がある場合、豊かな視覚的重要性を伝えながらオブジェクトの境界に厳密に準拠するスーパーピクセルを生成するには、大きな課題が残っています。
神経構造と視覚メカニズムからインスピレーションを得て、私たちは、強化されたスクリーニング モジュール (ESM) とスーパーピクセル セグメンテーションのための新しい境界認識ラベル (BAL) で構成される生物学的ネットワーク アーキテクチャを提案します。
ESM は、視覚野の対話型投影メカニズムをシミュレートすることにより、意味情報を強化します。
さらに、BAL は視覚皮質細胞の空間周波数特性をエミュレートして、強力な境界付着を備えたスーパーピクセルの生成を促進します。
BSDS500 データセットと NYUv2 データセットの両方の評価を通じて、アプローチの有効性を実証します。

要約(オリジナル)

Recently, advancements in deep learning-based superpixel segmentation methods have brought about improvements in both the efficiency and the performance of segmentation. However, a significant challenge remains in generating superpixels that strictly adhere to object boundaries while conveying rich visual significance, especially when cross-surface color correlations may interfere with objects. Drawing inspiration from neural structure and visual mechanisms, we propose a biological network architecture comprising an Enhanced Screening Module (ESM) and a novel Boundary-Aware Label (BAL) for superpixel segmentation. The ESM enhances semantic information by simulating the interactive projection mechanisms of the visual cortex. Additionally, the BAL emulates the spatial frequency characteristics of visual cortical cells to facilitate the generation of superpixels with strong boundary adherence. We demonstrate the effectiveness of our approach through evaluations on both the BSDS500 dataset and the NYUv2 dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google